三维点云的边缘感知学习
介绍了第一种基于深度学习的边缘感知技术,用于辅助点云的合并。通过处理本地 patches 中的点并训练其以学习和有针对性地巩固点,并且通过回归组件来恢复 3D 点坐标和点到边缘距离,并采用边缘感知的联合损失函数直接最小化输出点到 3D 网格和边缘之间的距离。
Jul, 2018
通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联,提出了一种新的 3D 检测框架,同时引入基于注意力的重加权模块,无需增加推理成本即可利用网络特征增强能力,在 KITTI 3D 检测基准测试中实现了更高的性能。
Aug, 2022
本研究通过设计一个新的两流全卷积网络,提出了一个联合学习方法来同时处理 3D 语义分割和 3D 语义边缘检测问题,特别是设计了一个联合调优模块来明确地连接区域信息和边缘信息,通过提出的新型损失函数,实现了更好的语义分割结果的同时改善边缘信息,结果显示该方法在 S3DIS 和 ScanNet 数据集上获得了与最先进方法相当或更好的性能,优于语义边缘检测的基准方法。
Jul, 2020
本论文提出了一种基于对比学习方法的学习强大点云表示的新策略,该方法可以嵌入任何点云分类网络中,通过改进类内紧凑性和类间可分性来实现嵌入特征分布的细化,并提出了混淆易感类别挖掘策略来缓解由小的类间差异和类间紧凑度引起的混淆问题,并设计了一个基于信息熵理论的熵感知注意模块来识别嵌入空间中的样本异常值和不稳定样本,实验证明该方法比现有技术表现更好,并在现有技术中实现了显著的性能提升。
Jan, 2022
3D 目标检测中,稀疏的点云数据分布是一项主要挑战,我们提出了 HEDNet,一种利用编码 - 解码网络来捕捉特征间的长距离依赖关系的方法,对于大型和远处物体具有优越的检测准确性和高效性。
Oct, 2023
基于聚类的监督学习方案用于点云分析,通过在点嵌入空间上进行类内聚类来自动发现子类模式,进而重构嵌入空间以提高鲁棒性;该算法在各种 3D 网络架构上表现出明显的改进,并在知名点云分割数据集和 3D 检测中显示出实用性。
Jul, 2023
本文研究了使用两个连续的三维点云来估计场景流的问题,并提出了一种新的分层神经网络架构和双重注意力方法来精细地估计和监督不同级别的场景流和 LiDAR 位置跟踪。
Oct, 2020
本文介绍了一种深度学习架构,用于解决非结构化点云的三维语义分割问题。与以往的工作相比,我们引入了点群聚合技术,定义了初始世界空间和学习特征空间中的点邻域,并结合专用损失函数,进一步构建了学习点特征空间。我们展示了如何将这些机制应用于点云的三维语义分割任务,并在室内和室外数据集上报告了最新性能。
Oct, 2018
通过开发一种分层点云主动学习策略,本文解决了使用有限注释学习 3D 点云分割的问题,通过使用上下文信息的分层最小边距不确定性模块对每个点进行不确定性度量,并设计了特征距离抑制策略来选择重要和代表性的点进行手动标注,在 S3DIS 和 ScanNetV2 数据集上的广泛实验表明,所提出的框架在仅使用 0.07% 和 0.1% 的训练数据时分别达到了完全监督基线的 96.5% 和 100% 的性能,优于最先进的弱监督和主动学习方法。
Aug, 2023